Extract ist ScaleDowns beschreibungsbasiertes Modell zur Entitätsextraktion. Statt aus einem festen Satz von Entitätstypen zu wählen, beschreibt der Aufrufer die gesuchten Informationen in einfachem Englisch. Das Modell liefert passende Textstellen mit Konfidenz, Zeichenpositionen und umgebendem Kontext zurück, wodurch sich das Ergebnis leichter mit dem Ausgangsmaterial verbinden lässt.
Benennen Sie jede angeforderte Entität anhand eines konkreten geschäftlichen Zwecks. Ein Rechnungsablauf kann Dokumentkennungen, Datumsangaben und Beträge in ihrer geschriebenen Form suchen. Ein Vertragsablauf kann benannte Parteien, Fristen oder bestimmte Verpflichtungen suchen. Ein E-Mail-Ablauf kann Kontaktdaten oder eine angeforderte Aktion suchen.
Beschreiben Sie die Bedeutung eines Feldes, statt sich allein auf seinen Kurznamen zu verlassen. Unterscheiden Sie Ausstellungsdatum und Zahlungsfrist oder den Namen einer Person und den einer Organisation. Wenn mehrere Felder ähnliche Formulierungen haben, geben Sie jedem eine Definition, die zurückgegebene Treffer getrennt hält.
Ein hilfreiches Extraktionsergebnis erhält die Quelltextstelle zusammen mit ihren Zeichenpositionen und dem umgebenden Text. Diese Werte ermöglichen es der Anwendung, die Herkunft eines Treffers zu bestimmen, und einer prüfenden Person, die Belege ohne erneute Suche im gesamten Dokument zu betrachten. Bewahren Sie den Konfidenzwert mit dem Treffer auf, statt jede zurückgegebene Textstelle als gleich sicher zu behandeln.
Benötigt ein Ablauf ein normalisiertes Datum, einen umgerechneten Betrag oder einen anderen abgeleiteten Wert, bewahren Sie den ursprünglichen Text neben dieser späteren Umwandlung auf. Entitätsextraktion identifiziert, was das Dokument aussagt; die Anwendung entscheidet, welche Normalisierungen und Validierungsregeln sie auf die zurückgegebenen Belege anwendet.
Die veröffentlichten Eingabetypen des Modells umfassen Text, Bilder und Dateien wie PDFs, mit integrierter OCR für gescannte Dokumente. Verwenden Sie lesbares Ausgangsmaterial und bewahren Sie Dokument- und Seitenidentitäten auf, wo sie für die Prüfung wichtig sind. Ein schlechter Scan kann ein Feld mehrdeutig machen; betrachten Sie deshalb den zurückgegebenen Kontext, bevor Sie einen kritischen Wert übernehmen.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token. Halten Sie bei einem großen Dokument oder einer Sammlung die angeforderten Entitätsdefinitionen konsistent und verbinden Sie jedes Ergebnis mit dem Material, aus dem es stammt. Derselbe Definitionssatz kann einer Anwendung helfen, extrahierte Felder über Verträge, Rechnungen, Nachrichten oder Transkripte hinweg zu vergleichen.
Die veröffentlichte Ausgabemodalität ist Text. Verwenden Sie den umgebenden Extraktionsablauf, um die von ihm benötigte maschinenlesbare Datensatzstruktur zu validieren. Bewahren Sie passenden Text und Quellenkontext auf, bevor Sie das Ergebnis speichern oder umwandeln.
Ein hilfreiches Endergebnis enthält den angeforderten Entitätsnamen, den passenden Quelltext, die relevante Position oder den Kontext sowie die zu prüfende Konfidenz. Halten Sie ungeklärte oder konkurrierende Treffer sichtbar, statt ein fehlendes Feld zu erfinden. So entsteht ein beleggestützter Extraktionsdatensatz für nachfolgende Prüfungen und Umwandlungen.
scaledown/extractExtract findet vom Aufrufer beschriebene Entitäten in Text, Bildern und Dokumentdateien. Definieren Sie Felder in einfachem Englisch und bewahren Sie passende Textstellen, Konfidenzwerte, Zeichenpositionen und Kontext auf. Integrierte OCR unterstützt Scans und PDFs, mit einem veröffentlichten Kontext von 1.000.000 Token für Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Extract ist ScaleDowns beschreibungsbasiertes Modell zur Entitätsextraktion. Statt aus einem festen Satz von Entitätstypen zu wählen, beschreibt der Aufrufer die gesuchten Informationen in einfachem Englisch. Das Modell liefert passende Textstellen mit Konfidenz, Zeichenpositionen und umgebendem Kontext zurück, wodurch sich das Ergebnis leichter mit dem Ausgangsmaterial verbinden lässt.
Benennen Sie jede angeforderte Entität anhand eines konkreten geschäftlichen Zwecks. Ein Rechnungsablauf kann Dokumentkennungen, Datumsangaben und Beträge in ihrer geschriebenen Form suchen. Ein Vertragsablauf kann benannte Parteien, Fristen oder bestimmte Verpflichtungen suchen. Ein E-Mail-Ablauf kann Kontaktdaten oder eine angeforderte Aktion suchen.
Beschreiben Sie die Bedeutung eines Feldes, statt sich allein auf seinen Kurznamen zu verlassen. Unterscheiden Sie Ausstellungsdatum und Zahlungsfrist oder den Namen einer Person und den einer Organisation. Wenn mehrere Felder ähnliche Formulierungen haben, geben Sie jedem eine Definition, die zurückgegebene Treffer getrennt hält.
Ein hilfreiches Extraktionsergebnis erhält die Quelltextstelle zusammen mit ihren Zeichenpositionen und dem umgebenden Text. Diese Werte ermöglichen es der Anwendung, die Herkunft eines Treffers zu bestimmen, und einer prüfenden Person, die Belege ohne erneute Suche im gesamten Dokument zu betrachten. Bewahren Sie den Konfidenzwert mit dem Treffer auf, statt jede zurückgegebene Textstelle als gleich sicher zu behandeln.
Benötigt ein Ablauf ein normalisiertes Datum, einen umgerechneten Betrag oder einen anderen abgeleiteten Wert, bewahren Sie den ursprünglichen Text neben dieser späteren Umwandlung auf. Entitätsextraktion identifiziert, was das Dokument aussagt; die Anwendung entscheidet, welche Normalisierungen und Validierungsregeln sie auf die zurückgegebenen Belege anwendet.
Die veröffentlichten Eingabetypen des Modells umfassen Text, Bilder und Dateien wie PDFs, mit integrierter OCR für gescannte Dokumente. Verwenden Sie lesbares Ausgangsmaterial und bewahren Sie Dokument- und Seitenidentitäten auf, wo sie für die Prüfung wichtig sind. Ein schlechter Scan kann ein Feld mehrdeutig machen; betrachten Sie deshalb den zurückgegebenen Kontext, bevor Sie einen kritischen Wert übernehmen.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token. Halten Sie bei einem großen Dokument oder einer Sammlung die angeforderten Entitätsdefinitionen konsistent und verbinden Sie jedes Ergebnis mit dem Material, aus dem es stammt. Derselbe Definitionssatz kann einer Anwendung helfen, extrahierte Felder über Verträge, Rechnungen, Nachrichten oder Transkripte hinweg zu vergleichen.
Die veröffentlichte Ausgabemodalität ist Text. Verwenden Sie den umgebenden Extraktionsablauf, um die von ihm benötigte maschinenlesbare Datensatzstruktur zu validieren. Bewahren Sie passenden Text und Quellenkontext auf, bevor Sie das Ergebnis speichern oder umwandeln.
Ein hilfreiches Endergebnis enthält den angeforderten Entitätsnamen, den passenden Quelltext, die relevante Position oder den Kontext sowie die zu prüfende Konfidenz. Halten Sie ungeklärte oder konkurrierende Treffer sichtbar, statt ein fehlendes Feld zu erfinden. So entsteht ein beleggestützter Extraktionsdatensatz für nachfolgende Prüfungen und Umwandlungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits scaledown/extract | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"scaledown/extract","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="scaledown/extract", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra scaledown/extract
/chat/completions
scaledown/extractExtract findet vom Aufrufer beschriebene Entitäten in Text, Bildern und Dokumentdateien. Definieren Sie Felder in einfachem Englisch und bewahren Sie passende Textstellen, Konfidenzwerte, Zeichenpositionen und Kontext auf. Integrierte OCR unterstützt Scans und PDFs, mit einem veröffentlichten Kontext von 1.000.000 Token für Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Extract ist ScaleDowns beschreibungsbasiertes Modell zur Entitätsextraktion. Statt aus einem festen Satz von Entitätstypen zu wählen, beschreibt der Aufrufer die gesuchten Informationen in einfachem Englisch. Das Modell liefert passende Textstellen mit Konfidenz, Zeichenpositionen und umgebendem Kontext zurück, wodurch sich das Ergebnis leichter mit dem Ausgangsmaterial verbinden lässt.
Benennen Sie jede angeforderte Entität anhand eines konkreten geschäftlichen Zwecks. Ein Rechnungsablauf kann Dokumentkennungen, Datumsangaben und Beträge in ihrer geschriebenen Form suchen. Ein Vertragsablauf kann benannte Parteien, Fristen oder bestimmte Verpflichtungen suchen. Ein E-Mail-Ablauf kann Kontaktdaten oder eine angeforderte Aktion suchen.
Beschreiben Sie die Bedeutung eines Feldes, statt sich allein auf seinen Kurznamen zu verlassen. Unterscheiden Sie Ausstellungsdatum und Zahlungsfrist oder den Namen einer Person und den einer Organisation. Wenn mehrere Felder ähnliche Formulierungen haben, geben Sie jedem eine Definition, die zurückgegebene Treffer getrennt hält.
Ein hilfreiches Extraktionsergebnis erhält die Quelltextstelle zusammen mit ihren Zeichenpositionen und dem umgebenden Text. Diese Werte ermöglichen es der Anwendung, die Herkunft eines Treffers zu bestimmen, und einer prüfenden Person, die Belege ohne erneute Suche im gesamten Dokument zu betrachten. Bewahren Sie den Konfidenzwert mit dem Treffer auf, statt jede zurückgegebene Textstelle als gleich sicher zu behandeln.
Benötigt ein Ablauf ein normalisiertes Datum, einen umgerechneten Betrag oder einen anderen abgeleiteten Wert, bewahren Sie den ursprünglichen Text neben dieser späteren Umwandlung auf. Entitätsextraktion identifiziert, was das Dokument aussagt; die Anwendung entscheidet, welche Normalisierungen und Validierungsregeln sie auf die zurückgegebenen Belege anwendet.
Die veröffentlichten Eingabetypen des Modells umfassen Text, Bilder und Dateien wie PDFs, mit integrierter OCR für gescannte Dokumente. Verwenden Sie lesbares Ausgangsmaterial und bewahren Sie Dokument- und Seitenidentitäten auf, wo sie für die Prüfung wichtig sind. Ein schlechter Scan kann ein Feld mehrdeutig machen; betrachten Sie deshalb den zurückgegebenen Kontext, bevor Sie einen kritischen Wert übernehmen.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token. Halten Sie bei einem großen Dokument oder einer Sammlung die angeforderten Entitätsdefinitionen konsistent und verbinden Sie jedes Ergebnis mit dem Material, aus dem es stammt. Derselbe Definitionssatz kann einer Anwendung helfen, extrahierte Felder über Verträge, Rechnungen, Nachrichten oder Transkripte hinweg zu vergleichen.
Die veröffentlichte Ausgabemodalität ist Text. Verwenden Sie den umgebenden Extraktionsablauf, um die von ihm benötigte maschinenlesbare Datensatzstruktur zu validieren. Bewahren Sie passenden Text und Quellenkontext auf, bevor Sie das Ergebnis speichern oder umwandeln.
Ein hilfreiches Endergebnis enthält den angeforderten Entitätsnamen, den passenden Quelltext, die relevante Position oder den Kontext sowie die zu prüfende Konfidenz. Halten Sie ungeklärte oder konkurrierende Treffer sichtbar, statt ein fehlendes Feld zu erfinden. So entsteht ein beleggestützter Extraktionsdatensatz für nachfolgende Prüfungen und Umwandlungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits scaledown/extract | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "scaledown/extract",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'scaledown/extract', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'scaledown/extract', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra scaledown/extract
/chat/completions